千问模型实现函数调用需五步：一、定义符合OpenAI格式的JSON Schema函数描述并置入tools；二、API请求中传入tools及支持Function Calling的模型；三、解析响应中的tool_calls字段；四、执行本地函数并构造含tool_call_id的tool_message；五、携带tool_message发起第二轮请求获取最终回复。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您希望千问模型在对话中调用外部函数或工具以获取实时信息、执行操作或处理结构化任务，则需通过标准的 Function Calling 机制进行配置与触发。以下是实现函数调用接入的完整操作步骤：
一、定义函数描述（Function Schema）
千问通过 JSON Schema 格式理解可调用函数的名称、参数、用途等元信息。该描述用于引导模型识别何时及如何调用函数，必须严格遵循 OpenAI 兼容格式，并传入模型请求的 tools 字段中。
1、编写符合 JSON Schema 规范的函数描述对象，包含 name、description 和 parameters 三个必需字段。
2、parameters 字段需为 type: "object"，并明确声明 properties、required 及各参数类型（如 string、number、boolean）。
3、将函数描述放入 tools 数组中，例如：[{ "type": "function", "function": { "name": "get_weather", "description": "获取指定城市的当前天气", "parameters": { "type": "object", "properties": { "city": { "type": "string", "description": "城市名称，如北京" } }, "required": ["city"] } } }]
二、构造带工具请求的 API 调用
向千问服务发起请求时，需在消息体中显式传递 tools 列表，并确保 model 参数指向支持 Function Calling 的版本（如 qwen-plus 或 qwen-max）。
1、设置请求方法为 POST，Content-Type 为 application/json。
2、在请求 body 中包含 messages（至少含用户输入）、tools、tool_choice（可选，设为 "auto" 或指定函数名）。
3、发送请求至千问开放平台对应的 Function Calling 接口地址，例如 https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation。
三、解析模型返回的 tool_calls 内容
当模型判断需调用函数时，响应中 message.content 为空或含自然语言说明，同时出现 tool_calls 字段，内含一个或多个调用条目，每个条目含 function.name 和 function.arguments（JSON字符串）。
1、检查响应中的 message.role 是否为 "assistant" 且存在 tool_calls 数组。
Qwen 视频智能分析基础客户端（免费版），基于 Qwen 3.5 Plus 多模态模型对本地视频进行内容分析，支持场景描述与基础内容理解，采用默认抽帧频率和提示词，适合快速概览视频，API Key 读取自 ~/.skill-platform/skill-platform.json 的 skills 配置。
2、遍历 tool_calls，提取每个条目的 function.name，匹配本地已注册的函数实现。
3、使用 json.loads() 解析 function.arguments 字符串，获得 Python 字典形式的实际参数值。
四、执行本地函数并构造 tool_message
根据解析出的函数名和参数，在服务端同步执行对应逻辑，将结果格式化为符合协议的 tool_message，作为下一轮请求的上下文输入，使模型能基于结果继续推理或生成最终回复。
1、调用对应函数，例如调用 get_weather(city="上海") 返回 {"temperature": 26, "condition": "多云"}。
2、将结果序列化为字符串，例如 json.dumps({"temperature": 26, "condition": "多云"}, ensure_ascii=False)。
3、构造 tool_message 对象：{ "role": "tool", "content": "{"temperature": 26, "condition": "多云"}", "tool_call_id": "call_abc123" }，其中 tool_call_id 必须与原始 tool_calls 中对应条目的 id 完全一致。
五、发起第二轮请求并获取最终响应
将原始用户消息、首轮模型响应（含 tool_calls）、以及新构造的 tool_message 按顺序组成新的 messages 数组，再次提交给模型，模型将据此生成自然语言形式的最终回答。
1、构建新 messages：[{"role": "user", "content": "上海现在天气怎么样？"}, {"role": "assistant", "tool_calls": [...]}, {"role": "tool", "content": "{"temperature": 26, "condition": "多云"}", "tool_call_id": "call_abc123"}]。
2、重复调用 API，不再传入 tools 字段（因工具调用已完成）。
3、读取第二轮响应中 message.role 为 "assistant" 且 message.content 非空的文本内容，即为面向用户的最终输出。
